python多进程、多线程及协程爬虫速度比较

目录

  1. 只用request爬取
  2. 用多线程爬取
  3. 用多进程爬取
  4. 用协程爬取
  5. 用协程+多进程爬取

1. 只用request爬取

花费时间:139.34340秒

image.png

代码:

# coding=utf8
import requests
from bs4 import BeautifulSoup
import time


def do_task(domain, pageUrl):
    response = requests.get(pageUrl)
    if response.status_code != 200:
        raise Exception('http error, url:{} code:{}'.format(pageUrl, response.status_code))
    soup = BeautifulSoup(response.content, 'html.parser')
    for h in soup.select('h3>a'):
        url = ''.join([domain, h.get('href')])
        html = requests.get(url)
        print('url:{} title:{}'.format(url, parse_text(html)))


def parse_text(html):
    soup = BeautifulSoup(html.content, 'html.parser')
    return str(soup.select('.shici-title')[0].get_text())


def main():
    domain = 'http://www.shicimingju.com'
    urlTemplate = domain + '/chaxun/zuozhe/9_{0}.html'
    pageNum = 50  # 读取50页诗词进行测试
    for num in range(pageNum):
        do_task(domain, urlTemplate.format(num + 1))


if __name__ == '__main__':
    start = time.time()
    main()  # 调用方
    print('总耗时:%.5f秒' % float(time.time()-start))

2.使用多线程

花费时间:42.83238秒

image.png

代码:

# coding=utf8
import requests
from bs4 import BeautifulSoup
import time
import threading


def do_task(domain, pageUrl):
    response = requests.get(pageUrl)
    if response.status_code != 200:
        raise Exception('http error, url:{} code:{}'.format(pageUrl, response.status_code))
    soup = BeautifulSoup(response.content, 'html.parser')
    for h in soup.select('h3>a'):
        url = ''.join([domain, h.get('href')])
        html = requests.get(url)
        print('url:{} title:{}'.format(url, parse_text(html)))


def parse_text(html):
    soup = BeautifulSoup(html.content, 'html.parser')
    return str(soup.select('.shici-title')[0].get_text())


def main():
    domain = 'http://www.shicimingju.com'
    urlTemplate = domain + '/chaxun/zuozhe/9_{0}.html'
    pageNum = 50  # 读取50页诗词进行测试
    threads = []
    for num in range(pageNum):
        num += 1
        # 开50个线程
        t = threading.Thread(target=do_task, name='LoopThread' + str(num), args=(domain, urlTemplate.format(num)))
        threads.append(t)
    for t in threads:
        t.start()  # 启动线程
    for t in threads:
        t.join()   # 同步线程


if __name__ == '__main__':
    start = time.time()
    main()  # 调用方
    print('总耗时:%.5f秒' % float(time.time()-start))

3. 多进程

CPU 8 核
4进程 总耗时:49.22848秒

image.png

8进程 总耗时:22.08792秒

image.png

代码:

from multiprocessing import Pool
import requests
from bs4 import BeautifulSoup
import time


def do_task(domain, pageUrl):
    response = requests.get(pageUrl)
    if response.status_code != 200:
        raise Exception('http error, url:{} code:{}'.format(pageUrl, response.status_code))
    soup = BeautifulSoup(response.content, 'html.parser')
    for h in soup.select('h3>a'):
        url = ''.join([domain, h.get('href')])
        html = requests.get(url)
        print('url:{} title:{}'.format(url, parse_text(html)))


def parse_text(html):
    soup = BeautifulSoup(html.content, 'html.parser')
    return str(soup.select('.shici-title')[0].get_text())


def main():
    p = Pool(8)  # 我的CPU是八核的就用8个进程
    domain = 'http://www.shicimingju.com'
    urlTemplate = domain + '/chaxun/zuozhe/9_{0}.html'
    pageNum = 50  # 读取50页诗词进行测试
    for num in range(pageNum):
        p.apply_async(do_task, args=(domain, urlTemplate.format(num + 1)))
    p.close()
    p.join()  # 运行完所有子进程才能顺序运行后续程序


if __name__ == '__main__':
    start = time.time()
    main()  # 调用方
    print('总耗时:%.5f秒' % float(time.time() - start))

4. 协程

总耗时:35.39297秒

image.png

代码:

from bs4 import BeautifulSoup
import time
import aiohttp
import asyncio


async def do_task(domain, pageUrl):
    async with aiohttp.ClientSession() as session:
        async with session.request('GET', pageUrl) as resp:
            if resp.status != 200:
                raise Exception('http error, url:{} code:{}'.format(pageUrl, resp.status))
            html = await resp.read()  # 可直接获取bytes
    soup = BeautifulSoup(html, 'html.parser')
    for h in soup.select('h3>a'):
        url = ''.join([domain, h.get('href')])
        async with aiohttp.ClientSession() as session:
            async with session.request('GET', url) as resp:
                if resp.status != 200:
                    raise Exception('http error, url:{} code:{}'.format(pageUrl, resp.status))
                html = await resp.read()  # 可直接获取bytes
        print('url:{} title:{}'.format(url, parse_text(html)))


def parse_text(html):
    soup = BeautifulSoup(html, 'html.parser')
    return str(soup.select('.shici-title')[0].get_text())


def main():
    domain = 'http://www.shicimingju.com'
    urlTemplate = domain + '/chaxun/zuozhe/9_{0}.html'
    pageNum = 50  # 读取50页诗词进行测试
    loop = asyncio.get_event_loop()  # 获取事件循环
    tasks = []
    for num in range(pageNum):
        tasks.append(do_task(domain, urlTemplate.format(num + 1)))
    loop.run_until_complete(asyncio.wait(tasks))  # 协程
    loop.close()


if __name__ == '__main__':
    start = time.time()
    main()  # 调用方
    print('总耗时:%.5f秒' % float(time.time() - start))

5. 用协程+多进程

CPU 8核
4进程 总耗时:27.81880秒


image.png

8进程 总耗时:26.87100秒


image.png

代码:

from multiprocessing import Pool
from bs4 import BeautifulSoup
import time
import aiohttp
import asyncio

html_contents = {}


async def do_task(domain, pageUrl):
    async with aiohttp.ClientSession() as session:
        async with session.request('GET', pageUrl) as resp:
            if resp.status != 200:
                raise Exception('http error, url:{} code:{}'.format(pageUrl, resp.status))
            html = await resp.read()  # 可直接获取bytes
    soup = BeautifulSoup(html, 'html.parser')
    for h in soup.select('h3>a'):
        url = ''.join([domain, h.get('href')])
        async with aiohttp.ClientSession() as session:
            async with session.request('GET', url) as resp:
                if resp.status != 200:
                    raise Exception('http error, url:{} code:{}'.format(pageUrl, resp.status))
                html = await resp.read()  # 可直接获取bytes
                html_contents[url] = html


def parse_text(url, html):
    soup = BeautifulSoup(html, 'html.parser')
    title = str(soup.select('.shici-title')[0].get_text())
    print(url, title, flush=True)

def main():
    domain = 'http://www.shicimingju.com'
    urlTemplate = domain + '/chaxun/zuozhe/9_{0}.html'
    pageNum = 50  # 读取50页诗词进行测试
    loop = asyncio.get_event_loop()  # 获取事件循环
    # 协程抓取网页内容 缺点是需要额外存储 本来用yield迭代,但在协程里面不知道怎么写 留坑 以后优化
    tasks = []
    for num in range(pageNum):
        tasks.append(do_task(domain, urlTemplate.format(num + 1)))
    loop.run_until_complete(asyncio.wait(tasks))  # 协程
    loop.close()
    # 多进程解析
    p = Pool(8)  # 我的CPU是八核的就用8个进程
    for url, html in html_contents.items():
        p.apply_async(parse_text, args=(url, html))
    p.close()
    p.join()  # 运行完所有子进程才能顺序运行后续程序


if __name__ == '__main__':
    start = time.time()
    main()  # 调用方
    print('总耗时:%.5f秒' % float(time.time() - start))

6. 总结

没有做任何处理的request最差,这个毋庸置疑。

对爬取网页这种IO密集型来说:
多进程(8个进程)看起来似乎是速度最佳的,但是他是耗费电脑大量资源(CPU/内存等)的情况下达到的速度;多线程速度次之,资源也相对较少(在python只能使用单核),而单独而言,协程是单独一个线程的情况下,三者中速度表现最好的。

最后做了一个实验,是通过协程抓取网页,然后用多进程处理,这个速度也还可以,IO密集型用协程,CPU密集型用协程已经没什么用了,所有只能用多进程来处理。
但在此解析url用到的时间所占比例确实太小,因此此处对性能的提高并非特别明显。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,968评论 6 482
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,601评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 153,220评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,416评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,425评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,144评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,432评论 3 401
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,088评论 0 261
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,586评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,028评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,137评论 1 334
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,783评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,343评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,333评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,559评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,595评论 2 355
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,901评论 2 345

推荐阅读更多精彩内容

  • 一. 操作系统概念 操作系统位于底层硬件与应用软件之间的一层.工作方式: 向下管理硬件,向上提供接口.操作系统进行...
    月亮是我踢弯得阅读 5,952评论 3 28
  • 1. 前言 在执行一些 IO 密集型任务的时候,程序常常会因为等待 IO 而阻塞。比如在网络爬虫中,如果我们使用 ...
    NewForMe阅读 402评论 0 1
  • python之进程、线程与协程 有这么个例子说他们的区别,帮助理解很有用。 有一个老板想开一个工厂生产手机。 他需...
    道无虚阅读 3,171评论 0 3
  • 在市中心等巴士,一个邋遢瘦削,满脸胡茬的男人向这边走来。 他穿着破旧的T恤和皱巴巴的牛仔裤,走路一颠一颤的,嘴里叼...
    Teresa的房间阅读 367评论 1 0
  • 你在走路时,讨厌车, 你在开车时 ,讨厌行人, 你在打工时 ,觉得各种不近人情, 你成老板后 ,觉得员工各种不尽责...
    十年慢悠悠阅读 223评论 0 0